خشکسالی به عنوان یکی از پیچیده ترین پدیده های طبیعی است که پیش بینی به موقع آن نقش موثری در مدیریت و کنترل خشکسالی وکاهش اثرات آن بر کشاورزی و مدیریت منابع آب دارد. شاخص استاندارد شده بارش و تبخیر- تعرق SPEI از شاخص های هواشناسی کشاورزی است که تاثیر چشمه و چاهه رطوبت در سطح زمین را در برآورد خشکسالی همزمان در نظر می گیرد. این پژوهش به پیش بینی شاخص خشکسالی SPEI با روش رگرسیون لجستیک رتبه ای، از روش های یادگیری ماشین، در اقلیم های متفاوت کشور ایران در 13 ایستگاه سینوپتیک می پردازد. رگرسیون لجستیک رتبه ای برای پیش بینی یک متغیر وابسته ترتیبی و یک یا چند متغیر مستقل به کار می رود و هم چنین متغیرهای مستقل موثر معنی دار از لحاظ آماری را بر متغیر وابسته تعیین می کند. برآورد شاخص SPEI بر اساس محاسبات داده های دیدبانی در دوره آماری 2018-1995 و داده های بارش و تبخیر- تعرق مرجع پنمن- مانتیث فائو56 شبکه بندی جهانی CRU بعد از اصلاح خطای اریبی در دوره آماری 1994-1901 انجام شد. سپس شاخص SPEIبا رگرسیون لجستیک رتبه ای در سه کلاس شامل: نرمال، خشکسالی متوسط و خشکسالی شدید و خیلی شدید بر اساس متغیرهای مستقل بارش و تبخیر- تعرق مرجع برآورد شد. بررسی شاخص SPEI نشان از افزایش شدت و طول دوره خشکسالی در تمام پنجره های زمانی متفاوت در اقلیم های خشک و نیمه خشک در دو دهه اخیر دارد. بارش و تبخیر-تعرق مرجع، به ویژه بارش، متغیرهای موثر در شاخص SPEI در نواحی خشک و نیمه خشک می باشند، در حالی که در اقلیم های مرطوب و خیلی مرطوب، بارش تنها متغیر موثر بر شاخص SPEI است. رگرسیون لجستیک رتبه ای در برآورد شاخص SPEI در کلاس های نرمال و خشکسالی شدید و خیلی شدید، به دلیل بالا بودن ضرایب دقت و حساسیت مدل، عملکرد قابل قبولی دارد، در حالی که در برآورد شاخص SPEI در کلاس خشکسالی متوسط ناموفق است. هم چنین در این پژوهش روابط احتمال وقوع شاخص SPEI جهت پیش بینی کلاس های مختلف در اقلیم های مختلف ارائه شده است.
